You are on page 1of 39

Εισαγωγή στα Μοντέλα Δομικών

Εξισώσεων με τη χρήση του AMOS
Βασίλης Παυλόπουλος
Τμήμα Ψυχολογίας, Πανεπιστήμιο Αθηνών
vpavlop@psych.uoa.gr users.uoa.gr/~vpavlop

ΠΜΣ Κοινωνική Ψυχολογία των Συγκρούσεων, Πάντειο Πανεπιστήμιο

Ευχαριστίες

Όσα έμαθα για τα μοντέλα δομικών εξισώσεων τα οφείλω
σε δεκάδες ερευνητές και σε δασκάλους, όπως ο Jens
Asendorpf, ο Karl Jöreskog, η Δέσποινα Ξανθοπούλου, ο
Γιώργος Σιδερίδης, ο Γιάννης Τσαούσης, ο Fons van de
Vijver και η Fan Yang-Wallentin.

Όσα δεν κατάφερα να μάθω, οφείλονται μόνο σε μένα…

Είναι παιδιά πολλών ανθρώπων τα λόγια μας
Γιώργος Σεφέρης

Διάγραμμα παρουσίασης

 Τα μοντέλα δομικών εξισώσεων

 Η επιβεβαιωτική ανάλυση παραγόντων

 Το λογισμικό IBM SPSS AMOS

Στο κείμενο δεν παρατίθενται βιβλιογραφικές αναφορές, προς διευκόλυνση
της ροής της παρουσίασης. Οι πηγές που χρησιμοποιήθηκαν, παρατίθενται
στον κατάλογο της Βιβλιογραφίας και τα πλήρη κείμενά τους είναι διαθέσιμα
εφόσον υπάρχει σχετικό ενδιαφέρον.

 την εκτίμηση των στατιστικών παραμέτρων τους (π. τα μοντέλα SEM επιτρέπουν:  την απεικόνιση θεωρητικών σχημάτων-υποθέσεων. κυρίως) μεταβλητών και έχουν επικυρωτικό/επιβεβαιωτικό χαρακτήρα.ΜΟΝΤΕΛΑ ΔΟΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ  Τα Μοντέλα Δομικών Εξισώσεων (Sructural Equation Models) είναι μια οικογένεια πολυμεταβλητών στατιστικών αναλύσεων που αναφέρονται σε γραμμικές συσχετίσεις μεταξύ (ποσοτικών.  Δηλαδή. διακυμάνσεις σφαλμάτων υπολοίπων και σφαλμάτων μέτρησης). φορτία. και  τον έλεγχο της προσαρμογής τους στα εμπειρικά δεδομένα. διακυμάνσεις και συνδιακυμάνσεις παραγόντων.χ. .

. ανάλυση συνδιακύμανσης. ανάλυση παραγόντων).Μοντέλα SEM και Γενικό Γραμμικό Μοντέλο  Τα μοντέλα SEM αποτελούν προέκταση του Γενικού Γραμμικού Μοντέλου (ανάλυση παλινδρόμησης. με επιπλέον χαρακτηριστικά:  Περιλαμβάνουν άμεσα μετρήσιμες-παρατηρήσιμες (observed) ή/και λανθάνουσες (latent) μεταβλητές. συγχρόνως.  Εξετάζουν τις σχέσεις μεταξύ μίας ή πολλαπλών εξαρτημένων και ανεξάρτητων μεταβλητών.  Παρέχουν δείκτες προσαρμογής του θεωρητικού μοντέλου στα εμπειρικά δεδομένα.  Δίνουν τη δυνατότητα υπολογισμού και διόρθωσης του σφάλματος μέτρησης.

η αιτιότητα δεν προκύπτει από τη στατιστική.  Τα μοντέλα SEM φιλοδοξούν να επιβεβαιώσουν σύνθετα αιτιακά σχήματα μεταξύ των μεταβλητών. ή αλλιώς τη στατιστική συμμεταβολή μεταξύ δύο μεταβλητών.  Η ανάλυση παλινδρόμησης αναφέρεται σε στατιστική πρόβλεψη της εξαρτημένης μεταβλητής από έναν ή περισσότερους προβλε- πτικούς παράγοντες.  Ωστόσο. αλλά αντίθετα είναι το μοντέλο SEM που βασίζεται στις θεωρητικές υποθέσεις των ερευνητών περί αιτιότητας!  Εναλλακτικά μοντέλα SEM μπορεί να έχουν εξίσου ή παρόμοια καλή προσαρμογή στα ίδια εμπειρικά δεδομένα… .Μοντέλα SEM και αιτιότητα  Οι δείκτες συνάφειας περιγράφουν απλές συσχετίσεις.

εξαρτημένες: η). όσο και λανθάνουσες μεταβλητές.  Οι λανθάνουσες μεταβλητές μπορεί να είναι εξωγενείς (δηλ.  Στη CFA το μοντέλο μέτρησης (measurement model) αφορά στις σχέσεις ανάμεσα στη λανθάνουσα μεταβλητή και τις παρατηρήσιμες μεταβλητές που την προσδιορίζουν…  …ενώ το δομικό μοντέλο (structural model) αναφέρεται στις αιτιώδεις σχέσεις μεταξύ των λανθανουσών μεταβλητών.Ορολογία και παραλλαγές  Η ανάλυση διαδρομών (path analysis) περιλαμβάνει μόνο παρατηρήσιμες μεταβλητές. . ανεξάρτητες: ξ) ή ενδογενείς (δηλ.  Η επιβεβαιωτική ανάλυση παραγόντων (Confirmatory Factor Analysis) περιλαμβάνει παρατηρήσιμες.

Παράδειγμα Ανάλυσης Διαδρομών Στάση α e e 1 1 c Πρόθεση Συμπεριφορά b Κοινωνική νόρμα Πηγή: Fishbein & Ajzen (1975) .

Παράδειγμα Μοντέλου Δομικών Εξισώσεων Δομικό Μοντέλο Σφάλμα Σφάλμα υπολοίπου μέτρησης x11 1 x1 1 1  11 2 x2 x 21 y11 y1 1  31  21  12 1 y2 2 3 x3 x32 y21  2 2  22 21 4 x4 y32 y3 3 x42  32   23 2 y4 4 y42 x53 5 x5 3 6 x6 x63 Μοντέλο Μέτρησης Προσαρμογή από Ξανθοπούλου (2014) .

fit indices) είναι ενδείξεις της απόκλισης των εμπειρικών δεδομένων από το υποθετικό θεωρητικό μοντέλο. 3-4) δείκτες προκειμένου να ελεγχθεί η καταλληλότητα του μοντέλου. Γι’ αυτό. ως προς το φύλο.χ. την ηλικία.Ορολογία και παραλλαγές  Οι δείκτες καλής προσαρμογής (goodness-of-fit ή. είναι δυνατός ο έλεγχος της ισοδυναμίας (invariance) της δομής ενός μοντέλου –συνήθως. συνεκτιμώνται περισσότεροι του ενός (συνήθως.  Επίσης. απλώς. μιας κλίμακας– σε πολλαπλές ομάδες (π. .  Δεν υπάρχει ένας ιδανικός δείκτης καλής προσαρμογής. τη χώρα).

Τα βήματα μιας ανάλυσης SEM 1. Διαμόρφωση των θεωρητικών υποθέσεων 2. Ταυτοποίηση της δομής του μοντέλου 4. Υπολογισμός των παραμέτρων 5. (Πιθανή) τροποποίηση του μοντέλου . Προσδιορισμός της δομής του μοντέλου 3. Αξιολόγηση των παραμέτρων 6.

 Είναι δυνατή η διαμόρφωση και.Βήμα 1: Διαμόρφωση των θεωρητικών υποθέσεων  Ο τρόπος με τον οποίο συνδέονται οι υπό μελέτη εννοιολογικές κατασκευές καθοδηγείται από τις υπάρχουσες θεωρίες και την προηγούμενη βιβλιογραφία.  Στο βήμα αυτό αποφασίζουμε:  ποιες παρατηρούμενες μεταβλητές θα συμπεριλάβουμε στο μοντέλο.  ποιες είναι οι αιτιακές διαδρομές μεταξύ των μεταβλητών. κατ’ επέκταση. .  εάν θα δημιουργήσουμε λανθάνουσες μεταβλητές και από ποιες μετρήσιμες μεταβλητές θα προσδιορίζονται. ο συγκριτικός στατιστικός έλεγχος εναλλακτικών μοντέλων.

 Κάθε εξαρτημένη μετρήσιμη μεταβλητή συνδέεται με σφάλμα μέτρησης (measurement error. Οι συντελεστές τους είναι συντελεστές παλινδρόμησης ή φορτία παραγόντων. απεικονίζεται ως έλλειψη).  Τα βέλη διπλής κατεύθυνσης δηλώνουν συνδιακυμάνσεις.  Οι ελλείψεις αναπαριστούν τις μη μετρήσιμες (λανθάνουσες) μεταβλητές.  Τα βέλη μονής κατεύθυνσης δηλώνουν αιτιώδεις σχέσεις.Βήμα 2: Προσδιορισμός της δομής του μοντέλου  Τα ορθογώνια παραλληλόγραμμα αναπαριστούν τις μετρήσιμες μεταβλητές.  Κάθε εξαρτημένη λανθάνουσα μεταβλητή συνδέεται με σφάλμα υπολοίπου (residual error. . απεικονίζεται ως έλλειψη).

 Επιπλέον.  Τα σφάλματα δεν πρέπει να συσχετίζονται με τις λανθάνουσες μεταβλητές (αυτό θα σήμαινε ότι κάποιες άγνωστες μεταβλητές επηρεάζουν συστηματικά το δομικό μοντέλο). προτείνεται να αποφεύγεται η συσχέτιση μεταξύ των σφαλμάτων (αυτό θα σήμαινε ότι κάποιο συστηματικό σφάλμα επηρεάζει τις ανεξάρτητες μεταβλητές). .Βήμα 2: Προσδιορισμός της δομής του μοντέλου  Κάθε μεταβλητή που συμπεριλαμβάνεται στο μοντέλο πρέπει να συσχετίζεται με τουλάχιστον άλλη μία μεταβλητή (διαφορετικά η προσθήκη της δεν έχει λόγο ύπαρξης).

όπως: ελάχιστος αριθμός 200 συμμετεχόντων ή 5-15 περιπτώσεις για κάθε άγνωστη παράμετρο ή 10-20 άτομα ανά μεταβλητή. ώστε να έχουμε επαρκή ισχύ για τον προσδιορισμό των παραμέτρων σε ένα μοντέλο SEM.  Απαιτείται προσοχή σε εκ των υστέρων αλλαγές του μοντέλου. για τους συντελεστές παλινδρόμησης των σφαλμάτων και για το φορτίο τουλάχιστον μίας μετρήσιμης μεταβλητής πάνω στη λανθάνουσα μεταβλητή που προσδιορίζει.Βήμα 3: Ταυτοποίηση της δομής του μοντέλου  Έχουν προταθεί διάφοροι κανόνες σχετικά με το μέγεθος του δείγματος.χ. Αυτό ισχύει π.  Για την εκτίμηση ενός μοντέλου είναι ανάγκη να προκαθοριστούν ορισμένες παράμετροι (δεν γίνεται να είναι όλες άγνωστες). μήνυμα σφάλματος). . καθώς αυτές μπορεί να καταστήσουν την ταυτοποίησή του αδύνατη (διακοπή ανάλυσης.

. η οποία προκύπτει από τα εμπειρικά δεδομένα (S).  Οι μέθοδοι των Μη Σταθμισμένων Ελάχιστων Τετραγώνων (Unweighted Least Squares) και της Ασυμπτωματικά Ελεύθερης Κατανομής (Asymptotically Distribution Free) δεν απαιτούν πολυμεταβλητή κανονικότητα. μεγάλα δείγματα και συνεχείς μεταβλητές. και στη μήτρα συνδια- κυμάνσεων που απορρέει από το υποθετικό μοντέλο (Σ).  Υπάρχουν διάφορες στατιστικές τεχνικές για τη διαδικασία αυτή:  Οι μέθοδοι της Μέγιστης Πιθανοφάνειας (Maximum Likelihood) και των Γενικευμένων Ελάχιστων Τετραγώνων (Generalized Least Squares) προϋποθέτουν πολυμεταβλητή κανονικότητα.Βήμα 4: Υπολογισμός των παραμέτρων  Οι παράμετροι μιας ανάλυσης SEM εκτιμώνται ελαχιστοποιώντας την απόκλιση ανάμεσα στη μήτρα συνδιακυμάνσεων.

Οι τυποποιημένοι (standardized) συντελεστές.  Για το δομικό μοντέλο υπολογίζεται ο συντελεστής διαδρομής (path coefficient: γ). ο συντελεστής διαδρομής συμβολίζεται με το ελληνικό γράμμα β. ένας συντελεστής παλινδρόμησης που δηλώνει σε ποιο βαθμό μια ενδογενής μεταβλητή εξηγείται από μια εξωγενή. Όταν πρόκειται για τη συσχέτιση (συνδιακύμανση) μεταξύ δύο ενδογενών μεταβλητών. εκτιμώνται προαιρετικά. προς διευκόλυνση της μεταξύ τους σύγκρισης. δηλ. . στον παράγοντα) που προσδιορίζει.Βήμα 4: Υπολογισμός των παραμέτρων  Για το μοντέλο μέτρησης υπολογίζεται το παραγοντικό φορτίο (loading: λ) κάθε μετρήσιμης μεταβλητής πάνω στη λανθάνουσα μεταβλητή (δηλ.  Οι μη τυποποιημένοι (non standardized) συντελεστές εκφράζουν συσχετίσεις με βάση την κλίμακα μέτρησης.

 Οι παράμετροι ενός μοντέλου SEM μπορεί να είναι ελεύθερες.  οι περιορισμένες παράμετροι είναι άγνωστες. .  οι προκαθορισμένες παράμετροι λαμβάνουν εκ των προτέρων μια δεδομένη τιμή (συνήθως. προαιρετικά. αλλά λογίζονται εκ των προτέρων ως ίσες με μία ή άλλες παραμέτρους. των λανθανουσών μεταβλητών).Βήμα 4: Υπολογισμός των παραμέτρων  Η ανάλυση SEM υπολογίζει τις διακυμάνσεις των μετρήσιμων και των λανθανουσών μεταβλητών. 0 ή 1) προκειμένου να καταστεί δυνατή η ταυτοποίηση του μοντέλου. καθώς και τους μέσους όρους (intercepts) των μετρήσιμων μεταβλητών (και. προκαθορισμένες ή περιορισμένες:  οι ελεύθερες παράμετροι είναι άγνωστες και χρειάζεται να εκτιμηθούν.

Υπάρχουν τρεις ομάδες δεικτών καλής προσαρμογής. με κριτήρια:  την απόλυτη προσαρμογή του μοντέλου συγκριτικά με το υποθετικό μοντέλο.  την επαυξητική προσαρμογή του μοντέλου συγκριτικά με άλλα μοντέλα. δηλαδή με πόσο λίγες παραμέτρους μπορεί να υπολογιστεί. οι οποίοι δηλώνουν κατά πόσο αυτό είναι συμβατό με τα εμπειρικά δεδομένα.Βήμα 4: Υπολογισμός των παραμέτρων  Επιπλέον. και  τη φειδωλότητα (οικονομία) του μοντέλου. . υπολογίζονται οι δείκτες καλής προσαρμογής του μοντέλου SEM.

AGFI): Διορθώνει τον δείκτη GFI για τους βαθμούς ελευθερίας. . Επιθυμητή η στατιστική ασημαντότητα. Επιθυμητές τιμές <3 ή <2-5. Επιθυμητές τιμές >0.90 ή >0. Επιθυμητές τιμές >0. Πολύ ευαίσθητος στο μέγεθος του δείγματος. Ευαίσθητος στο μέγεθος του δείγματος.Βήμα 5: Αξιολόγηση των δεικτών προσαρμογής  Δείκτες απόλυτης προσαρμογής  Κριτήριο χ2 (chi-square): δηλώνει το βαθμό ανεξαρτησίας μεταξύ θεωρητικών και εμπειρικών δεδομένων.  Διορθωμένος δείκτης καλής προσαρμογής (Adjusted Googness- of-Fit Index.90 ή >0.95. GFI): Συγκρίνει το υποθετικό με το μηδενικό μοντέλο.95.  χ2/df ή CMIN/df: προσαρμογή του δείκτη χ2 για τους βαθμούς ελευθερίας.  Δείκτης καλής προσαρμογής (Googness-of-Fit Index.

. γι’ αυτό προτιμάται η τυποποιημένη εκδοχή του. Επιθυμητές τιμές <0.08.  Τετραγωνική ρίζα του μέσου των υπολοίπων (Root Mean Square Residual.Βήμα 5: Αξιολόγηση των δεικτών προσαρμογής  Δείκτες απόλυτης προσαρμογής  Τετραγωνική ρίζα του μέσου του σφάλματος εκτίμησης (Root Mean Square Error of Approximation.05. RMR). SRMR). Ευάλωτος δείκτης στα μικρά δείγματα.08.  Τυποποιημένη τετραγωνική ρίζα του μέσου των υπολοίπων (Standardized Root Mean Square Residual. RMSEA): Συγκρίνει το υποθετικό μοντέλο με το ιδανικό μοντέλο. Επιθυμητές τιμές <0. ακόμα καλύτερα < 0.

Βήμα 5: Αξιολόγηση των δεικτών προσαρμογής  Δείκτες επαυξητικής προσαρμογής  Κανονικοποιημένος δείκτης προσαρμογής (Normed Fit Index.95 ή μεγαλύτερες. Επιθυμητές τιμές 0.  Δείκτης επαυξητικής προσαρμογής (Incremental Fit Index. Ευάλωτος στο μέγεθος του δείγματος.  Δείκτης Tucker-Lewis (Tucker-Lewis Index. Επιθυμητές τιμές 0.95 ή μεγαλύτερες.95 ή μεγαλύτερες. NFI): Συγκρίνει την τιμή χ2 του υποθετικού και του μηδενικού μοντέλου. . CFI): Διορθωμένη εκδοχή του NFI για το μέγεθος του δείγματος. IFI): Επιθυμητές τιμές 0. TLI): Επιθυμητές τιμές 0.95 ή μεγαλύτερες.  Δείκτης συγκριτικής προσαρμογής (Comparative Fit Index.

PGFI).Βήμα 5: Αξιολόγηση των δεικτών προσαρμογής  Δείκτες φειδωλότητας:  Πληροφοριακό κριτήριο του Akaike (Akaike Information Criterion. Χωρίς κατώφλι αποδοχής. .  Φειδωλός κανονικοποιημένος δείκτης προσαρμογής (Parsimo- nious Norm Fit Index. AIC): Χρησιμοποιείται για τη σύγκριση μεταξύ μη εμφωλευμένων (non-nested) μοντέλων.  Σταθερό Πληροφοριακό κριτήριο του Akaike (Consistent Akaike Information Criterion. CAIC): Όπως στον δείκτη AIC.  Φειδωλός δείκτης καλής προσαρμογής (Parsimonious Good- ness-of-Fit Index. Μικρότερη τιμή δηλώνει καλύτερο (πιο οικονομικό) μοντέλο. μικρότερη τιμή δηλώνει προτιμώμενο μοντέλο. PNFI): Χωρίς κατώφλι αποδοχής.

Βήμα 5: Συγκριτική αξιολόγηση μοντέλων  Όταν δύο μοντέλα είναι εμφωλευμένα (nested). τότε καλύτερη προσαρμογή στα δεδομένα θεωρείται ότι έχει το μοντέλο με τη μικρότερη τιμή AIC/CAIC. δεν έχουν ακριβώς τις ίδιες μετρήσιμες μεταβλητές. δηλ. . τότε η στατιστικώς σημαντική μείωση της τιμής του κριτηρίου χ2 υποδεικνύει το προτιμώμενο μοντέλο.  Όταν δύο μοντέλα δεν είναι εμφωλευμένα (non-nested). όταν έχουν τις ίδιες μετρήσιμες μεταβλητές. δηλ.

Αυτό γίνεται:  Με απλοποίηση.  Προσοχή: Η τροποποίηση του μοντέλου ΔΕΝ ορίζεται εμπειρικά. προσθέτοντας διαδρομές ή συνδιακυμάνσεις με βάση τους δείκτες τροποποίησης (modification indices).Βήμα 6: Τροποποίηση του μοντέλου  Όταν οι δείκτες καλής προσαρμογής δεν είναι ικανοποιητικοί.  Με επέκταση. διαγράφοντας διαδρομές που δεν είναι στατιστικά σημαντικές ή αφαιρώντας μεταβλητές που δεν έχουν στατιστικά σημαντικές συσχετίσεις με άλλες. αλλά πρέπει να είναι συμβατή με τις ΘΕΩΡΗΤΙΚΕΣ παραδοχές! . μπορούμε να σκεφτούμε την τροποποίηση του μοντέλου για να βελτιώσουμε την προσαρμογή του.

 Η CFA συγκρίνει τον πίνακα συνδιακυμάνσεων ενός συνόλου δεδομένων με τον εκτιμώμενο πίνακα συνδιακυμάμνσεων που προκύπτει από τη συνάρτηση των εκτιμήσεων των παραμέτρων του μοντέλου που αξιολογούμε.  Στη CFA οι υποθετικοί παράγοντες εμφανίζονται ως λανθάνουσες μεταβλητές.ΕΠΙΒΕΒΑΙΩΤΙΚΗ ΑΝΑΛΥΣΗ ΠΑΡΑΓΟΝΤΩΝ  Η Επιβεβαιωτική Ανάλυση Παραγόντων (Confirmatory Factor Analysis) έχει επικυρωτικό χαρακτήρα. ώστε να διαπιστώσουμε κατά πόσο τα δεδομένα μας στηρίζουν μια προκαθορισμένη δομή των υπό μελέτη μεταβλητών. οι οποίες προσδιορίζονται από συγκεκριμένες κάθε φορά μετρήσιμες μεταβλητές-δείκτες. Τη σχέση αυτή δηλώνει το φορτίο (loading) κάθε δείκτη στη λανθάνουσα μεταβλητή. .

Παράδειγμα Επιβεβαιωτικής Ανάλυσης Παραγόντων Προσαρμογή από Τσαούση (2014) .

ώστε να ελέγξουμε τη δυνατότητα επιβεβαίωσης της αρχικής παραγοντικής δομής (ή να προχωρήσουμε σε αναπροσαρμογή αν χρειαστεί).χ.Επιβεβαιωτική vs.  Η EFA ενδείκνυται στην αρχική διαδικασία της κατασκευής μιας κλίμακας ή όταν δεν έχουμε επαρκή θεωρητική τεκμηρίωση…  …ενώ η CFA είναι κατάλληλη όταν εφαρμόζουμε μια κλίμακα σε διαφορετικό πληθυσμό (π. άλλη χώρα). . Διερευνητική Παραγοντική Ανάλυση  H Διερευνητική Ανάλυση Παραγόντων (Exploratory Factor Analysis) έχει περιγραφικό χαρακτήρα και περιορισμένες δυνατότητες ελέγχου πάνω στα δεδομένα…  …ενώ η CFA χρησιμοποιείται για να ελέγξουμε συγκεκριμένες υποθέσεις αναφορικά με την παραγοντική δομή των δεδομένων και παρέχει αυξημένο έλεγχο σε αυτά.

 Αξιολόγηση της ισοδυναμίας (invariance) ενός δομικού μοντέλου σε διαφορετικούς πληθυσμούς. το οποίο αποτελεί προϋπόθεση για τη σύγκριση των πληθυσμών σε επίπεδο μέσων όρων.Εφαρμογές της CFA  Αξιολόγηση της παραγοντικής δομής μιας κλίμακας (εγκυρότητα εννοιολογικού περιεχομένου). .  Αξιολόγηση της εγκυρότητας εννοιολογικής κατασκευής μιας κλίμακας (συγκλίνουσα και αποκλίνουσα εγκυρότητα).

λανθασμένος προσδιορισμός του μοντέλου. απαιτείται:  ορισμένες παράμετροι των λανθανουσών μεταβλητών να προκαθοριστούν.  οι βαθμοί ελευθερίας. να έχουν τιμή > 0 (εάν df = 0. τότε το μοντέλο θα είναι κορεσμένο και οι δείκτες προσαρμογής πλασματικοί). για τον υπολογισμό των ελεύθερων παραμέτρων.  Για την ταυτοποίηση του μοντέλου. . πολυσυγγραμμικότητα). και  να έχουμε τουλάχιστον 3-4 δείκτες ανά λανθάνουσα μεταβλητή. δηλαδή ο αριθμός των μετρήσιμων μεταβλητών μείον τον αριθμό των μη γνωστών παραμέτρων.Προδιαγραφές για την εφαρμογή της CFA  Έλεγχος των στατιστικών προϋποθέσεων (παραβίαση της πολυ- μεταβλητής κανονικότητας. δηλ.

είναι προτιμότερη η εφαρμογή κάποιας διερευνητικής τεχνικής.Προδιαγραφές για την εφαρμογή της CFA  Όσον αφορά το μέγεθος του δείγματος. Ας σημειωθεί ότι το AMOS δεν παράγει συντελεστές τροποποίησης για μοντέλα με ελλιπή στοιχεία.) .  Ξανά: στερεή θεωρητική τεκμηρίωση του μοντέλου! (Διαφορετικά.  Επισκόπηση των ελλιπών τιμών (<5% του δείγματος) και. εφόσον χρειαστεί. συμπλήρωσή τους. προτείνεται μια αναλογία που κυμαίνεται μεταξύ 5-15 συμμετέχοντες ανά μεταβλητή.

ΕΙΣΑΓΩΓΗ ΣΤΟ ΛΟΓΙΣΜΙΚΟ IBM SPSS AMOS .

Πηγή: Αγγελίδης (2009) Τα εικονίδια του AMOS .

Πηγή: Αγγελίδης (2009) Τα εικονίδια του AMOS .

Ρύθμιση των ιδιοτήτων της ανάλυσης View >> Analysis Properties… . Σχεδιασμός μοντέλου με τα εργαλεία σχεδίασης ή μέσω του μενού Diagram: εισαγωγή των παρατηρήσιμων και των λανθανουσών μεταβλητών. Ρύθμιση της διεπαφής χρήστη View >> Interface Properties… 2. προσδιορισμός των μεταξύ τους σχέσεων. Αντιστοίχιση των παρατηρήσιμων μεταβλητών του μοντέλου με τα δεδομένα View >> Variables in Dataset… 5. Προσδιορισμός των λανθανουσών μεταβλητών View >> Object Properties… αλλά και Plugins >> Name Unobserved Variables 6. 3.Η χρήση του AMOS σε 10+1 διαδοχικά βήματα 1. Εισαγωγή ενός αρχείου δεδομένων File >> Open 4.

7. στον οποίο μπορούμε να συμπεριλάβουμε τους κυριότερους δείκτες καλής προσαρμογής. direct & total effects. Square multiple correlations. CMIN/DF=\cmindf. RMR=\rmr. 6β. Στο Tab Output των Ιδιοτήτων Ανάλυσης χρήσιμες επιλογές είναι οι Standardized estimates. GFI=\gfi. Tests for normality and outliers και Modifi- cation indices (θα λειτουργήσει μόνο με πλήρη στοιχεία). RMSEA=\rmsea. Χρήσιμη είναι η προσθήκη ενός τίτλου. CFI=\cfi. Indirect. Στo Tab Estimation των Ιδιοτήτων Ανάλυσης είναι απαραίτητο να τσεκαριστεί η επιλογή Estimate means and intercepts εφόσον υπάρχουν ελλιπή στοιχεία στα δεδομένα μας. TLI=\tli . Επιλέγουμε Diagram >> Figure Caption και γράφουμε τα εξής: CMIN=\cmin (df \df). Η χρήση του AMOS σε 10+1 διαδοχικά βήματα 6α.

Η χρήση του AMOS σε 10+1 διαδοχικά βήματα 8. Εμφάνιση και επισκόπηση των αποτελεσμάτων View >> Text Output 11. Εκτέλεση της ανάλυσης Analyze >> Calculate Estimates 10. (Τροποποίηση του μοντέλου και σύγκριση με το αρχικό μοντέλο) . Αποθήκευση του μοντέλου File >> Save As… 9.

7(1). Ανάλυση πολυμεταβλητών τεχνικών στις κοινωνικές επιστήμες.1. Coughlan. & Lomax. & Mullen. A beginner’s guide to structural equation modeling (3rd ed. Psychological Methods. doi:10.64  Πλατσίδου. UK: Routledge. M.-H. NY: Guilford.. 6(1). R. (1999). R. Electronic Journal of Business Research Methods. Steele. Structural Equation Modeling: A Multi- disciplinary Journal. . J. Επιστημονική Επετηρίδα του Τμήματος Ψυχολογίας ΑΠΘ.7. R. 6(1). και παραδείγματα εφαρμογής.  McDonald.1080/10705519909540118  Kline. Principles and practice in reporting structural equation analyses. Galbraith.com  Hu. L. R. Moustaki.  Hooper. R. doi:10. Available online at www. (2002). Structural equation modelling: Guidelines for determining model fit. Μουστάκη). & Bentler.  Schumacker.. Αθήνα: Κλειδάριθμος. D. Hove. R.ejbrm.Βιβλιογραφία  Bartholomew. F. Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. 53-60. (2010).. G. & Ho. 4.. (2008).. 367-394. P.. Principles and practice of structural equation modeling (3rd ed. E.). (2011). (Επιμ. Μ. 64-82. (2001).).: Γ. 1-55. D. Στάμου & Ε.. Η επιβεβαιωτική ανάλυση παραγόντων στην ψυχολογική έρευνα: Βασικές αρχές. M. (2011). New York.. περιορισμοί.1037/1082-989X.

ΑΝΑΛΥΣΗ ΔΙΑΔΡΟΜΩΝ ΓΙΑ ΤΗΝ ΕΠΙΛΥΣΗ ΠΡΟΒΛΗΜΑΤΩΝ για την προσοχή σας! Ευχαριστώ .